Beklentilerin yüksek olduğu Google I/O etkinliği hayal kırıklığı yaratmadı. Kısa bir girişin ardından, Gemini 3.5 Flash ve Gemini Spark ile birlikte asıl öne çıkan: Gemini Omni, yerel çok modlu, "her şeyden her şeye" yeni bir yapay zeka model ailesi. Yani metin, görsel, ses ve videoyu aynı anda işleyebiliyor. Başka bir deyişle, Nano Banana, ama video için. (Google da bunu böyle anlattı.)
İlk model Omni Flash. Tek tek varlıklardan tutarlı medya oluşturmaya yönelik konuşmaya dayalı video düzenlemeyi sunuyor. Yani videoları bir kurgu yazılımı kullanmadan, konuşarak düzenleyip remiksleyebiliyorsunuz.
Gemini Omni Nedir?
Omni'nin ne olduğuna biraz daha yakından bakalım.
Gemini Omni, Google DeepMind'in ilk yerel çok modlu üretici medya modeli. Ailenin ilk varyantı Gemini Omni Flash ve şu anda yayında
- Gemini uygulamasında,
- Google Flow'da ve
- YouTube Shorts'ta
Omni, girdi olarak metin, görseller, ses ve videonun herhangi bir kombinasyonunu kabul eder ve çıktı olarak video üretir. Buradaki kritik nokta, farklı sistemler arasında bir bayrak yarışı olmaması; her şey tek bir modelde gerçekleşiyor.
Bugüne kadar Google ayrık bir yığın çalıştırıyordu: video için Veo, görseller için Imagen ve ses için ayrı sistemler. Omni bunları tek bir modelde birleştiriyor (adı da buradan geliyor!) ve farklı kipler arasında akıl yürütebiliyor. Pratikte bu, daha tutarlı düzenlemeler ve daha az boru hattı artifaktı anlamına geliyor.
Daha fazla kaptırmadan, bunu temel özellikler üzerinden çerçeveleyelim.
Gemini Omni'nin Temel Özellikleri
Burada dikkatimi çeken süreç. Hem konuşmaya dayalı düzenleme hem de eskizleri taslak olarak kullanma, Nano Banana 2 veya OpenAI'nin ChatGPT Images 2.0 gibi görsel üretim araçlarından bildiğimiz özellikler; Omni bunları video üretimine de taşıyor.
Konuşmaya dayalı video düzenleme
Manşet niteliğindeki yetenek konuşmaya dayalı video düzenleme. Omni'ye bir klip veriyorsunuz (sizin ürettiğiniz ya da telefonunuzla çektiğiniz) ve onunla konuşarak değiştiriyorsunuz. "Işıkları kıs." "Kamera açısını omzunun üzerinden görünecek şekilde değiştir." "Kemanı görünmez yap." Her komut turlarda kalıcı oluyor. Sahne evriliyor; başa sarmıyor.
Gerçek dünya fiziği ve dünya bilgisi
Google lansmanda bunun altını çizdi. Omni, yerçekimi, kinetik enerji ve akışkanlar mekaniğine sezgisel bir kavrayışa sahip. İlk testimde üretilen video gerçek dünya fiziği gibi hissettirmedi – ancak bu Flash sürümü ve yakında Seedance 2.0 gibi araçlarla daha rekabetçi olacak bir Omni Pro modelinin gelmesini bekliyoruz.
Eskiz ve çizimlerden videoya
Karakalemleri, eskizi nihai görsel referans olarak değil yalnızca hareket rehberi olarak kullanarak gerçekçi çekimlere dönüştürebiliyorsunuz. Bu, prodüksiyon öncesinde faydalı olacak. Çocuklar da çizimleri için buna bayılacaktır.
SynthID filigran ve C2PA içerik kimlik bilgileri
Her Omni çıktısı iki katmanlı menşei bilgisiyle gelir.
- SynthID, üretim anında doğrudan piksellere gömülen görünmez bir filigrandır. İzleyiciler tarafından algılanamaz. Kırpmaya, filtrelere ve yeniden kodlamaya dayanacak şekilde tasarlanmıştır.
- C2PA içerik kimlik bilgileri ise dosyaya ekli, imzalı bir kriptografik bildiri olarak bunun yanında yer alır. Metaveriyi sıyırsanız bile piksel düzeyindeki sinyal kalır.
Not düşmeye değer: SynthID Google'a özgüdür. Yalnızca Google'ın kendi modelleri bunu gömer; dolayısıyla "filigransız" ifadesi "insan yapımı" anlamına gelmez — sadece "Google modelinden değil" anlamına gelir. Omni'nin gerçek çekimleri ne kadar kolay remiksleyebildiği düşünüldüğünde, her çıktıdaki dayanıklı menşei bilgisi güzel bir seçenek olmaktan çıkıp bir tür asgari gereksinim gibi görünmeye başlıyor.
Gemini Omni Flash'ı Test Etmek
Omni Flash'in video üretim yeteneklerini iki farklı kategoride test ettim: gerçek dünya fiziği ve stil transferi.
Fizik ve dünya bilgisini test etmek
İstemim şöyleydi:
A medieval trebuchet launching a fired clay pot at a stone castle wall, shot in slow motion. The counterweight falls, the sling whips around, the pot arcs through the air and shatters against the stone, shards and embers scattering across the courtyard. Continuous handheld camera move, golden hour light, period-accurate construction and dress. Realistic sound design — wood creaking under tension, rope strain, the whoosh of the sling, the sharp crack of impact. No music.
Not, bunun birkaç dakika süreceğini söylüyordu ama gerçekte yaklaşık on saniye sürdü.
